CogRAG+：記憶と推論の不足を認知レベルで導いて診断・改善する、専門試験向けQA

arXiv cs.CL / 2026/4/30

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文では、専門職向けの試験形式QAにおいて、人の認知階層と整合するようにRAG（検索拡張生成）の流れを分離・調整する、学習不要のフレームワーク「CogRAG+」を提案しています。
「Reinforced Retrieval」として、判定器（judge）に基づくデュアルパス（事実中心と選択肢中心）を導入し、基礎知識の欠落による連鎖的な失敗を抑えながら検索精度を高めます。
また、「cognition-stratified Constrained Reasoning」では、自由な連鎖的推論生成をやめ、構造化テンプレートで置き換えることで、論理の一貫性低下や冗長な生成を抑えます。
Qwen3-8BとLlama3.1-8Bの実験で、一般用途モデルや標準的なRAGより一貫して良い成績を示し、単問モードではQwen3-8Bで85.8%、Llama3.1-8Bで60.3%の正答率を達成しています。
さらに、回答なしの割合を7.6%から1.4%へ低減しており、専門領域タスクでの信頼性向上が示唆されます。